机构名称：
¥ 1.0
摘要。干旱是一场毁灭性的自然灾害，在此期间，水短缺通常体现在植被的健康中。不幸的是，在空间和时间上获得高分辨率的植被影响信息很难。虽然远程感知的产品可以提供此信息的一部分，但它们通常会根据其空间或时间分辨率的数据差距和限制。远程感应产品之间的一个持续特征是空间分辨和重访时间之间的权衡：高时空分辨率与粗空分辨率达到了高度分辨率，反之亦然。机器学习方法已成功应用于广泛的遥感和水文研究。然而，仍然需要提供解决对植被的干旱影响的全球应用程序，因为这种产品有显着的潜力可以帮助改善干旱影响监测。为此，这项研究预测了基于增强的植被内部（EVI）和流行的随机森林（RF）回归体的全球植被动态。我们评估了RF作为间隙填充和缩减工具的适用性，以生成在空间和时间上一致的全局EVI估计值。为此，我们使用了许多特征，指示了植被经验丰富的水和能量平衡，并评估了该新产品的性能。结果表明，RF可以以0.1°分辨率（RMSE：0.02-0.4）和0.01°分辨率（RMSE：0.04-0.6）捕获全局EVI动力学。接下来，为了测试RF在空间分辨率方面是否稳健，我们降低了全局EVI：在0.1°数据上训练的模型用于以0.01°的重置预测EVI。总体误差更高。尽管如此，相对增加仍然是
随机森林用于缩小和间隙填充
主要关键词
相关文件推荐
